-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathtext_uniformer.py
339 lines (319 loc) · 17 KB
/
text_uniformer.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
# !/usr/bin/env python
# -*- coding: utf-8 -*-
import re
from pathlib import Path, PurePosixPath
from build_a_corpus import iterate
class UniformText:
def __init__(self, text: str):
self.text = re.sub("", "-", text)
lower_cyrillic_pattern = re.compile(r"(?<=.[а-яієїґ]|[-–а-яієїґ] )([ioeypacx])(?= ?[а-яієїґ])")
lower_latin_to_cyrillic = {"i": "і",
"o": "о",
"e": "е",
"y": "у",
"p": "р",
"a": "а",
"c": "с",
"x": "х"}
upper_cyrillic_pattern = re.compile(r"(?<=.[А-ЯІЄЇҐ]|[А-ЯІЄЇҐ] )([AXECBTHMKIOP])(?= ?[А-ЯІЄЇҐ])")
upper_latin_to_cyrillic = {"A": "А",
"X": "Х",
"E": "Е",
"C": "С",
"B": "В",
"T": "Т",
"H": "Н",
"M": "М",
"K": "К",
"I": "І",
"O": "О",
"P": "Р"}
lower_latin_pattern = re.compile(r"(?<=.[a-z]|[a-z] )([іоеурасх])(?= ?[a-z])")
lower_cyrillic_to_latin = {"і": "i",
"о": "o",
"е": "e",
"у": "y",
"р": "p",
"а": "a",
"с": "c",
"х": "x"}
upper_latin_pattern = re.compile(r"(?<=.[A-Z]|[A-Z] )([АХЕСВТНМКІОР])(?= ?[A-Z])")
upper_cyrillic_to_latin = {"А": "A",
"Х": "X",
"Е": "E",
"С": "C",
"В": "B",
"Т": "T",
"Н": "H",
"М": "M",
"К": "K",
"І": "I",
"О": "O",
"Р": "P"}
letter_patterns = (lower_latin_pattern, upper_latin_pattern, lower_cyrillic_pattern, upper_cyrillic_pattern)
letter_conversions = (lower_cyrillic_to_latin, upper_cyrillic_to_latin, lower_latin_to_cyrillic, upper_latin_to_cyrillic)
broken_word_pattern = re.compile(r"""(?x)
(?<=[a-zа-яієїґя́á])\s(?=[a-zа-яієїґя́á][–-]\s?\n+)|
(?<=[a-zа-яієїґя́á][–-])(?:[ \t]\n*|
[ \t?\n])(?=[А-ЯІЇЄҐA-Z0-9])|©.+(?=\n)""")
hyphen_pattern = re.compile(r"(?<=[a-zа-яієїґя́á](?<![0-9]))[-–][ \t]\n*(?![А-ЯІЇЄҐA-Z])")
footnote_pattern = re.compile(
r"""(?x)\n\ *[0-9]+(?!\.)\ *
(?!Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sept?|Oct|Nov|Dec|[А-ЯІЇҐЄA-Z]{3,})
[А-ЯІЇҐЄA-Z](?:.+\n?)+(?=\n\n)""")
media_pattern = re.compile(r"""(?x)
((?:(?<!див\.\s)|(?<!\())(?:(?:Рис|Мал)(?:[ \t]|у?ю?нок)?|
Діаг(?:[ \t]|рама)?|Табл?(?:[ \t]|иця)?|Пр(?:иклад)?|Фото|
Графік|Ментальна карта)\.?[ \t]?(?:\d{1,2}[ \t]?\.?){1,2}
[\s\S]+?(?=\n\n))""")
no_hyphen_brakes_and_lists_pattern = re.compile(r"""(?x)
(?<=(?<![А-ЯЇЄҐІA-Z»'’”\"?!.]{3})[:!?\[\].…+\"\\/()”’'“&«»<>])
[ \t]*\n+
(?=(?![A-ZA-ZА-ЯІЄЇҐ]{2,}|[\[(][0-9]{1,2}[])]\s[A-Za-zА-ЯІЄЇа-яієїґ]+|
[0-9]{1,2}\.)[-–А-ЯІЄЇҐA-Z.\[+“\"\\/(&«<0-9])
|
(?<=(?<![А-ЯЇЄҐІA-Z»'’”\"?!.]{3})[-−–;:%\[\],…+\"\\/()”’'“&«»<>a-zа-яіїєґ])(?<!\s[Ss]ources|terature)
[ \t]*\n+
(?=(?![A-ZA-ZА-ЯІЄЇҐ]{2,}|[0-9]{1,2}\.|[\[(][0-9]{1,2}[])]\s[a-zA-ZА-ЯІЄЇа-яієїґ]+|
\ *Abstract[.:]?\s+Background|[ \t]*Background:\ [A-Z])[–“…\"\[\\/(&«<]?[A-ZA-ZА-ЯІЄЇҐ]?
[а-яієїґА-ЯІЄЇҐA-Za-z\\/)(\[+0-9 ….>;:%»”\"’']{2,})
|
(?<=№)
[ \t]*\n+
(?=[0-9])""")
additional_broken_word_pattern = re.compile(r"(?<=[a-zа-яієїґя́á])[–-][ \t](?=[a-zа-яі єїґя́á])")
multiple_spaces_tabs_inside_sentences_pattern = re.compile(r"""(?ix)
(?<=[-–\w;:%!?\[\].,…+№\"\\/()”’'“&«‖|»<>А-ЯІЄЇҐ])\ {2,}|
\t{1,}(?=[-–\w;:№%!?\[\].,…+|‖\"\\/()”’'“&«»<>А-ЯІЄЇҐ])""")
spaces_before_paragraph_pattern = re.compile(r"(?<=\n) +(?=[(\[“«<А-ЯІЄЇҐA-Z0-9])")
finish_paragraph_pattern = re.compile(r"""(?x)
(?<![\dА-ЯЇЄҐІA-Z»'’”\")?!.]{4})\ *\n+
(?!\t|[0-9]{1,2}\.|[\[(][0-9]{1,2}[])]\s[a-zA-ZА-ЯІЄЇа-яієїґ]+|
(?:[«“\"(]?[-\dА-ЯЇЄҐІA-Z]{1,}[»”\")]?[-:,?!.'’)]?\s){4,}|
Abstract[.:]?\s+Background|\s*Background:\ [A-Z])""")
list_without_tabs_pattern = re.compile(
r"(?<=\n)\t(?=[0-9]{1,2}\.\s)|(?<= )\t(?=[A-ZА-ЯІЄЇҐ][A-Za-zА-ЯІЄЇҐа-яієїґ]+)")
list_pattern = re.compile(r"""(?x)(
(?:(?<!Рис\.\s)|(?<![0-9]{2})|(?<!Vol\.\s)|(?<!\w|\d))(?<=.\n|[,:;]\s)
\n?(?:[0-9]{1,2}\.){1,2}\s\[?[-–A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+?[\s\S]+?(?:[;:,.ій]|та|або|and|or)?
(?:[(0-9]{1,2}\.?\s(?:Print|С.+|кн.+|kn.+|Вип.+|/.+|№.+|x.+)\.?)??
(?!\d{1,2}\.\s(?:Print\.|[CС]\.?|Вип\.|№|Харків|Kyiv))(?=(?<!\d{2})\d{1,2}\.\s[^(\d]|\n|$)
|
(?<!(?<=[^:;,]\s)|(?<=[,№]\s)|(?<=[0-9]{2})|(?<=\w{2})|(?<=.[-\d]))
\n?[0-9]{1,2}\)(?=\s[^0-9\\])\s?[\s\S]+?(?:[.;]?\s|[.;]\s?)(?:[;:,ій]|та|чи|або|and|or)?
(?=\n{2,}|\n\t|(?<!\s\d[).].|\s\d{2}[).])[A-ZА-ЯІЄЇҐ][-−–A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+?[\s\S]+?|[0-9]{1,2}[).])
|
(?<![\wА-ЯІЄЇҐа-яієїґ])
(?<=[:;]\s|.“|,\s)\n?[абвгґдеєжзиіїклмн]\)(?=\s?[^\\/,.][^0-9])
\s\[?[-−–A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+?[\s\S]+?[,.;]\s?(?:[,ій]|та|або|and|or)?
(?=\n+\t?|.*[абвгґдеєжзиіїклмн]\)|[A-ZА-ЯІЄЇҐ][-−–A-Za-zА-ЯІЄЇҐа-яієїґ’'`]+)
|
(?<=.[:;.]\s|,\ \n|[-−–A-Za-zА-ЯІЄЇҐа-яієїґ’'`)\]]{2}\s)
\n?[•●*]\s+[-−–A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+?[\s\S]+?[.;]?
(?=\n{2,}|\n\t|\s*(?:[•●*]|\d[).])\s+[-−–A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+|\.\ [A-ZА-ЯІЄЇҐ][-−–A-Za-zА-ЯІЄЇҐа-яієїґ’'`]+|$)
|
(?<!\d\.\s)(?<=.[:;.]\s|,\ \n)
\n?[-−–]\s+(?![A-ZА-ЯІЄЇҐ]\.\s[\d:])[-–A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+?[\s\S]+?[.;]?
(?=\n{2,}|\n\t|\s*[-−–]\s+[-−–A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+|$)
|
(?<=\n)
[ \t]*?(?:[ІI]{1,3}|[ІI]?V(?:[ІI]{1,3})?|[ІI]?[XХ](?:[ІI]{1,3})?)\.\ [-−–A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+?(?=\n)
)""")
lighted_list_pattern = re.compile(r"""(?x)(
\n?(?:[0-9]{1,2}\.){1,2}\s\[?[A-ZА-ЯІЄЇҐ][A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+?[\s\S]+?(?:[;:,.ій]|та|або|and|or)?
(?:[(0-9]{1,2}\.?\s(?:Print|С.+|кн.+|kn.+|Вип.+|/.+|№.+|x.+)\.?)??
|
\n?[0-9]{1,2}\)(?=\s[^0-9/\\])\s?[\s\S]+?(?:[.;]?\s|[.;]\s?)(?:[;:,ій]|та|чи|або|and|or)?
|
\n?[абвгґдеєжзиіїклмн]\)\s\[?[A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+?[\s\S]+?[,.;]\s?(?:[,ій]|та|або|and|or)?\s?
|
\n?[•●*]\s+[A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+?[\s\S]+?[.;]?
|
\n?[-−–]\s+[A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+?[\s\S]+?[.;]?
|
\n?[ \t]*?(?:[ІI]{1,3}|[ІI]?V(?:[ІI]{1,3})?|[ІI]?[XХ](?:[ІI]{1,3})?)\.\ [-−–A-Za-zА-ЯІЄЇҐа-яієїґ’'` ]+?(?=\n)
)""")
structure_parts_pattern = re.compile(r"""(?x)((?<!.[А-ЯІЄЇҐа-яієїґa-zA-Z]\ |[А-ЯІЄЇҐа-яієїґa-zA-Z][:;,]\ )
(?:(?:В(?:икористан[іi]|ИКОРИСТАНІ)\ )?[Дд](?:жерела|ЖЕРЕЛА)
|
С(?:писок|ПИСОК)\ (?:використаних\ |ВИКОРИСТАНИХ\ )?(?:джерел\ |ДЖЕРЕЛ\ ?)(?:[Ііi]люстративного\ [Мм]атер[іi]алу)?
|
(?:Л[іi]тература|ЛІТЕРАТУРА)
|
С(?:писок|ПИСОК)\ (?:(?:[Лл][іi]тератури|ЛІТЕРАТУРИ)|(?:[Уу]мовних\ )?[Сс]корочень)
|
А(?:нотац[іi]я|НОТАЦІЯ)
|
[Уу]мовн[іi]\ [Сс]корочення
|
[Rr](?:eferences|EFERENCES)
|
L(?:ist|IST)\ (?:of|Of)\ (?:[Ss](?:ources|OURCES)
|
[Aa](?:bbreviations|BBRAVIATIONS))
|
S(?:ummary|UMMARY)
|
A(?:bstract|BSTRACT)
|
A(?:bbreviations|BBRAVIATIONS)
|
A(?:nnotation|NNOTATION)
|Background
|Purpose
|Results
|Discussion
|Vitae)
[:.]?(?!\s[«“\"]?[а-яієїґa-z…]|\s[А-ЯІЄЇҐ])(?=[ \n](?!Web|Print))
|(?:[Kk][еe][yу]\ ?w[оo]rds|[KКк]люч[оo]в[іi]\ [сc]л[оo]в[аa]|[Кк]люч[еe]вы[еe]\ [сc]л[оo]в[аa]):[\s\S]+?(?:\.|
(?=Vitae))|(?:UDC|УДК)\s.+?(?=\s)|(?:DOI|doi)\s.+?(?=\s))(?!\s[-−–])""")
lighted_structure_parts_pattern = re.compile(r"""(?x)(
(?:(?:В(?:икористані|ИКОРИСТАНІ)\s)?[Дд](?:жерела|ЖЕРЕЛА)
|
С(?:писок|ПИСОК)\s(?:використаних\s|ВИКОРИСТАНИХ\s)?(?:джерел\s|ДЖЕРЕЛ\s?)(?:[Іі]люстративного\s[Мм]атеріалу)?
|
(?:Л[іi]тература|ЛІТЕРАТУРА)
|
С(?:писок|ПИСОК)\s(?:(?:[Лл][іi]тератури|ЛІТЕРАТУРИ)|(?:[Уу]мовних\s)?[Сс]корочень)
|
А(?:нотац[іi]я|НОТАЦІЯ)
|
[Уу]мовн[іi]\s[Сс]корочення
|
[Rr](?:eferences|EFERENCES)
|
L(?:ist|IST)\s(?:of|Of)\s(?:[Ss](?:ources|OURCES)
|
[Aa](?:bbreviations|BBRAVIATIONS))
|
S(?:ummary|UMMARY)
|
A(?:bstract|BSTRACT)
|
A(?:bbreviations|BBRAVIATIONS)
|
A(?:nnotation|NNOTATION)
|Background
|Purpose
|Results
|Discussion
|Vitae)
[:.]?
|(?:[Kk][еe][yу]\ ?w[оo]rds|[KКк]люч[оo]в[іi]\ [сc]л[оo]в[аa]|[Кк]люч[еe]вы[еe]\s[сc]л[оo]в[аa]):[\s\S]+?\.?
|(?:UDC|УДК)\s|(?:DOI|doi)\s)""")
title_pattern = re.compile(r"""(?x)((?<=\n)\s*?(?!ORCID|DOI|UDC|[А-ЯЇЄҐІA-ZĆ][.\d]|\d+[).]|[(\[])
(?:[«“\"(]?(?:[-–А-ЯЇЄҐІA-ZĆ./ʼ’`']+|\d{1,2})[»”\")]?[-:,?!.'’)]?\s\n?){5,}
(?=\s?\n|\s?[-\dА-ЯЇЄҐІA-Z]+(?:\s+?[-А-ЯЇЄҐІA-Z])?[а-яієїґa-z]+))""")
for p in range(len(letter_patterns)):
while letter_patterns[p].search(self.text):
letter = letter_patterns[p].search(self.text)[0]
self.text = letter_patterns[p].sub(letter_conversions[p][letter], self.text, count=1)
self.text = broken_word_pattern.sub("", self.text)
self.text = hyphen_pattern.sub("", self.text)
pre_footnotes = [footnote.strip('\n \t') for footnote in footnote_pattern.findall(self.text)]
self.text = footnote_pattern.sub("", self.text)
pre_media = [media.strip('\n \t') for media in media_pattern.findall(self.text)]
self.text = media_pattern.sub("", self.text)
footnotes = []
for footnote in pre_footnotes:
footnotes.append(finish_paragraph_pattern.sub(" ", multiple_spaces_tabs_inside_sentences_pattern.sub(
" ", additional_broken_word_pattern.sub("", no_hyphen_brakes_and_lists_pattern.sub(" ", footnote)))))
medias = []
for media in pre_media:
medias.append(finish_paragraph_pattern.sub(" ", multiple_spaces_tabs_inside_sentences_pattern.sub(
" ", additional_broken_word_pattern.sub("", no_hyphen_brakes_and_lists_pattern.sub(" ", media)))))
self.text = additional_broken_word_pattern.sub("", self.text)
self.text = multiple_spaces_tabs_inside_sentences_pattern.sub(" ", self.text)
self.text = spaces_before_paragraph_pattern.sub("\t", self.text)
self.text = list_without_tabs_pattern.sub("", self.text)
list_of_patterns = (list_pattern, structure_parts_pattern)
list_of_additional_patterns = (lighted_list_pattern, lighted_structure_parts_pattern)
for counter in range(2):
self.text = list_of_patterns[counter].split(self.text)
text_split = []
if len(self.text) == 0:
continue
added = False
for text_passage in self.text:
if text_passage == "":
continue
if text_passage[0] == "\n":
text_split.append(text_passage)
continue
if list_of_additional_patterns[counter].match(text_passage):
if counter == 0:
text_split.append(f"\n{text_passage}")
continue
if re.match(r"""(?x)
(?:Д(?:жерела|ЖЕРЕЛА)(?!\s[А-ЯІЄЇҐ]+)|С(?:писок|ПИСОК)\s(?:використаних|ВИКОРИСТАНИХ)\s?
(?:джерел|ДЖЕРЕЛ)|(?:Література|ЛІТЕРАТУРА)|С(?:писок|ПИСОК)\s
(?:літератури|ЛІТЕРАТУРИ))[:.]?""", text_passage.strip()) and not added:
added = True
for media in medias:
text_split.append(f"\n\t{media}\n")
for footnote in footnotes:
text_split.append(f"\n\t{footnote}\n")
if counter == 1:
if text_passage.startswith("UDC") or text_passage.startswith("УДК") or text_passage.startswith("DOI"):
text_passage = "\n" + text_passage.strip("\n\t ") + "\n"
else:
text_passage = "\n\t"+text_passage.strip("\n\t ").capitalize()+"\n"
text_split.append(text_passage)
else:
text_split.append(text_passage)
self.text = "".join(text_split)
# поділить залежно від кількости назв (укр, англ...)
parts_of_text = title_pattern.split(self.text)
# print(len(parts_of_text))
if len(parts_of_text) == 3:
self.text = parts_of_text.pop(2)
elif len(parts_of_text) == 5:
self.text = [parts_of_text.pop(2), "\n\n\n*SPLIT*\n\n\n", parts_of_text.pop(4-1)]
else:
self.text = parts_of_text
# print(self.text)
# print(len(self.text))
# print(parts_of_text)
self.text = [no_hyphen_brakes_and_lists_pattern.sub(" ", t) for t in self.text]
self.text = ''.join(self.text)
self.text = finish_paragraph_pattern.sub(" ", self.text)
# print(len(parts_of_text))
self.text = re.split("\*SPLIT\*", self.text)
insert_indexes = [0, 1, 3, -1]
counter = 0
while parts_of_text:
self.text.insert(insert_indexes[counter], parts_of_text.pop(0))
if insert_indexes[counter] != -1:
counter += 1
# print(self.text)
self.text = re.sub(r"[\n ]{2,}", "\n", re.sub(r"\n+\t+\n+", "\n", "\n".join(self.text))).strip('\n')
# print(self.text)
def uniform_it(file):
faulty_paths = []
print(file)
try:
with open(file, "r+", encoding='utf-8') as current_file:
article = UniformText(current_file.read())
# print(article.text)
current_file.seek(0)
current_file.truncate(0)
current_file.write(article.text)
except UnicodeDecodeError or FileNotFoundError:
faulty_paths.append(PurePosixPath(str(file)))
return faulty_paths
def do_the_uniforming(folder_path):
folder = Path(folder_path)
broken_files = []
if folder.exists():
paths = iterate(folder)
broken_files = [uniform_it(path) for path in paths]
return [file for file in broken_files if file]
if __name__ == "__main__":
# folder_good = "D:\\НАВЧАННЯ\\2 курс\\КУРСОВА\\Корпус\\Корпус хороших"
# folder_bad = "D:\\НАВЧАННЯ\\2 курс\\КУРСОВА\\Корпус\\Корпус поганих"
corpus_folder = "C:\\Users\\Bohdanka\\PycharmProjects\\Навчання\\2 курс\\Курсова\\Корпус наукових статей\\Corpus"
print(do_the_uniforming(corpus_folder))
# test = "C:\\Users\\Bohdanka\\PycharmProjects\\Навчання\\2 курс\\Курсова\\Корпус наукових статей\\Corpus\\Good articles\\Лінгвістичні студії ДоНУ\\2021\\Громко - Граматична система говірки за даними дескрипції. Іменникові форми.txt"
#
# file = "C:\\Users\\Bohdanka\\PycharmProjects\\Навчання\\2 курс\\Курсова\\Корпус наукових статей\\Corpus\\Good articles\\Українське мовознавство\\2018\\Лаврінець - Структурно-семантична специфіка та динаміка функціювання пасивних конструкцій.txt"
# print(uniform_it(test))